一种用于联想识别的全光型多值神经网络系统的设计

本文提出一种用于联想识别的全光型多值神经网络系统。该系统利用透镜阵列实现二维图像的傅里叶全息存贮，利用掺铈钛酸钡晶体的互泵浦位相共轭特性构成网络反馈与光能补充。利用该系统可实现二维图像的人工联想识别。     

光学模糊联想神经网络

本文提出一种模糊联想神经网络的非相干光学实现系统。利用空间区域编码技术和阴影投射系统，模糊联想存贮器所需的矩阵－矢量最大－最大合成运算可得到光学实现。给出了实验结果。     

Hopfield型联想记忆神经网络一种新的分析方法

本文通过定义一种新的能量函数，分析了Ｈｏｐｆｉｅｌｄ型神经网络的渐近稳定性与联想记忆问题，得到了四组保证网络平衡点是渐近稳定平衡点的充分条件，应用这些条件，便可设计联想记忆神经网络，文中给出了应用这些结论设计联想记忆神经网络的实验结果及分析。     

分形细胞神经网络用于联想记忆

本文提出了分形细胞神经网络，并成功地应用于联想记忆，从模拟结果看，分形细胞神经网络的联想记忆能力好于Ｂａｒａｍ提出的分形神经网络。     

双向联想记忆神经网络的一种编码策略

本文提出一种双向联想记忆神经网络的按‘位’加权编码策略，并给出了求取权值递推算法，它将Ｋｏｓｋｏ双向联想记忆网络按海明距离进行模式匹配的原则，修正了按加权海明距离进行了模式匹配，从而可以使得对不满足加续性的所谓“病态结构”的一类样本模式集，同样具有良好的联想能力，对二值图象模式存贮，联想的计算机模拟实验表明，此方法具有优良的性能和实用价值。     

联想神经网络收敛性能的研究

本文对具有投影学习算法的Hopfield型二值神经网络(HBNN)在同步工作方式下的收敛性能进行了比较全面的讨论。证明了网络具有演化收敛到网络平衡点的特性,推导了计算网络收敛所需瞬态工作步数上界的估算公式,分析并给出了计算平衡点(记忆模式)收敛半径的算法。     

一种面向语音识别的新型神经网络

提出了一种新型神经网络模型，描述了该网络的工作原理和训练方法以及识别算法。为克服神经网络对时序信号建模能力差的缺点，引入了非线性分段处理和代表帧特征提取方法。最后介绍了根据这一模型所设计的一个汉语语音识别系统，试验表明该网络在汉语语音识别方面具有较大的潜力。     

一种基于神经网络的虹膜识别算法

虹膜识别是一种非侵犯性的身份鉴别技术.本文讨论了虹膜图像定位、归一化和增强等预处理方法,并提出了一种基于神经元网络的虹膜图像识别算法,它是对提取的归一化矩形虹膜纹理数据用训I练的自组织特征映射(SOM)神经网络进行虹膜模式识别.实验表明,该方法识别正确率高,效果良好.     

复值多状态双向联想记忆神经网络

离散但非二值状态将提供一种更好的信息表达方式。本论文中,我们将复符号操作子（ｃｏｍｐｌｅｘ－ｓｉｇｎｕｍ ｏｐｅｒａｔｉｏｎ）和双向联想记忆（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ａｓｓｏｃｉａｔｉｖｅ Ｍｅｍｏｒｙ,ＢＡＭ）结合起来并提出了一种非二值ＢＡＭ,即复值多状态双向联想记忆神经网络（Ｃｏｍｐｌｅｘ－Ｖａｌｕｅｄ Ｍｕｌｔｉｓｔａｔｅ Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ａｓｏｃｉａｔｉｖｅ Ｍａｍｏｒｙ,     

一种利用BP神经网络进行烟雾粒子识别的方法

本提出了一种利用BP神经网络进行烟雾粒子识别的方法;详细阐述了各种不同烟雾粒子的特征提取过程和BP神经网络的学习算法.利用这种算法,可以准确地识别各种不同类型的烟雾粒子.     

五平面光学神经网络系统的设计

本文介绍了一种用五平面光电混合系统实现神经网络计算的方法和光学元的设计。     

基于投影原理的双向联想神经网络

本文提出了一类新的双向联想神经网络。与以往基于能量函数的神经网络不同,该网络通过在两个不同的Hilbert空间的交替投影进行联想,因而其动态特性和稳态解可以在信号空间上进行分析且具有快速自适应自学习等优点。该网络可做为异联想存贮器或分类器。本文给出了该网络在存贮和恢复二值模式时的实验结果,表明了其优良的性能。     

基于联想记忆神经网络模型的BP算法

提出一种改进神经网络BP算法的识别训练系统。实验结果表明，基于联想记忆神经网络模型的BP算法，大大降低样本可变系统的网络训练次数。该系统有效降低样本可变系统的网络训练时间，为BP算法应用于对实时性要求高的场合提供算法基础。     

Kosko型双向联想记忆与Hopfield神经网络的关系

深入理解K0sko型双向联想记忆(BAM)网络是学习使用其它双向联想记忆的基础.如果我们按照传统的方法介绍BAM网络,学生很容易产生两个疑问:能量函数为什么是定义的?BAM网络与Hopfield网络的内在联系是什么?本文在说明Kosko型BAM网络就是一种特殊的Hopfield网络后,从Hopfield网络的能量函数出...     

基于奇异值分解与神经网络的干扰识别

无线通信中的抗干扰技术对通信的稳定性和安全性都具有重要意义,干扰识别作为抗干扰技术的重要环节一直是研究的热点。该文提出一种基于奇异值分解与神经网络的干扰识别方法,该方法只计算信号矩阵的奇异值即完成特征提取,与传统方法相比节省了多个谱特性的计算量。仿真结果表明：基于奇异值分解与神经网络的干扰识别方法与传统方法相比在干信比为0 dB左右的条件下识别准确率有10%～25%的提高。     

一种改进的BP神经网络模型及其在语音识别中的应用

提出了一种改进的ＢＰ神经网络模型，即多层双并联神经元可学习的人工神经网络，给出了相应的算法。并以异或问题和对称性检测问题为题，对改进算法和传统算法的优缺点进行了比较；对改进的ＢＰ网络在孤立单字语音识别应用作了初步探讨。